Visualization and Analysis of Oil and Gas Pipeline Corrosion Research: A Bibliometric Data-Mining Approach
Notice bibliographique
Résumé
The problem of corrosion in oil and gas pipelines is one of the major factors affecting the process safety and efficient sustainability development of the oil and gas industry. To gain a better understanding of global research trends and dynamics in the field of oil and gas pipeline corrosion and to advance the development of corrosion control technology, we conducted a literature review using a sample of 1,745 papers from the Web of Science (WOS) database published from 2002 to 2022. We employed a bibliometric analysis approach employed to investigate the distribution of publications over time, geographic regions, major organizations, major authors, journal cocitation, and literature cocitation, and to identify research hotspots and frontiers. The results revealed an exponential growth in the overall number of papers, with the most rapid increase occurring in the last 4 years. China, the US, Canada, the United Kingdom, and Brazil emerged as the most active countries in oil and natural gas pipeline corrosion research, and Mexico, Canada, and Australia also exhibited significant influence in the field. The journals Engineering Failure Analysis, Corrosion, and Corrosion Science had the highest number of publications and impact in this domain. Notably, Corrosion Science stood out as the most influential and highly regarded journal in the corrosion field. The fundamental theories and research framework in the realm of oil and natural gas pipeline corrosion have been primarily established, and a large number of research directions and frontier branches are emerging. The impact of flow parameters on corrosion, pipeline reliability assessment, and analysis of corrosion defects and failures are identified as the three main development paths in this field. In terms of research methodologies, machine learning techniques are becoming increasingly prevalent, with a growing number of studies adopting various machine learning methods. Among these methods, explainable deep learning is at the forefront of development in the field of oil and natural gas pipeline corrosion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,142 | 0,159 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».